本文提出了一个基于超过一千个公共数据和元数据特征的框架，用于检测 Twitter 上的社交媒体自主实体（即社交媒体机器人）。经测试，此框架能够与公开的 Twitter 机器人数据集高度契合，可以检测不同类型的机器人，如垃圾邮件发送者、自我推广者和使用连接应用程序发布内容的账户等，并且估计在活跃的 Twitter 账户中有 9% 至 15% 的机器人，机器人相互之间的交互关系有助于研究用于相互之间通信的转发和提到策略。

Mar, 2017

本文通过采用双向 LSTM 循环神经网络来区分类别 Twitter 上的人类账户和垃圾邮件机器人账户，实现对无先验知识的 Twitter 账户进行检测，以及不需要任何手工特征设计，最终得到良好的实验结果。

Feb, 2020

本论文从 Twitter 账号出发，提出了使用卷积神经网络的新型算法，将账号执行的操作序列转化为图片，并进行图像分类，从而进行 bot 检测。结果证实了该方法的有效性，因为它与现有技术处在同一水平，并在某些情况下更好。

Apr, 2023

提出了一个基于图的 Twitter 机器人检测基准 (TwiBot-22)，该基准提供了目前最大的数据集，具有更好的注释质量，并重新实现了 35 个代表性的 Twitter 机器人检测基线，以维护模型性能公正比较和研究进展的整体理解。

Jun, 2022

本文提出了一种新的 bot 检测框架，使用由用户构成的异构图的拓扑结构建模，并模拟用户间的多样性关系。具体而言，通过关系图转换将异构网络中的节点表示学习为表示性图，并使用语义关注网络对用户和关系之间的信息进行聚合，得出表现良好的检测结果。

Sep, 2021

该论文提出了一种基于深度神经网络的机器人检测方法，通过使用元数据并将其作为辅助输入，CNN 处理推文文本。同时，作者们提出了一种基于合成少数过抽样的技术，从少量已标记数据（大约 3000 个 sophisticated Twitter bots 的样例）生成适合深度 CNN 训练的大型标记数据集。作者还在账户级别的机器人检测中应用了相同的架构，并在保证小型和可解释特征，以及最小训练数据的情况下，实现了几乎完美的分类准确度。从仅一个推文中，我们的体系结构就可以实现高分类精度（AUC > 96%）将机器人与人类分开。

Feb, 2018

早期检测社交垃圾机器人对于防范传播虚假信息和操控公众意见至关重要。本研究首次使用用户描述字段和图像，采用预训练的视觉模型以及 TwHIN-BERT 来获取文本和图像的表征，并提出了三种不同的融合方法进行多模态融合，并在 Cresci '17 数据集上进行了广泛实验，证明了我们方法在准确率上具有显著优势，达到了 99.98%。

Aug, 2023

本文探究社交机器人与真实账户之间的语言差异，提出的词汇丰富度、词汇复杂度和表情符号分布等识别特征，可以有效地用于机器学习模型的训练和社交机器人识别。

Dec, 2018

本文提出了一种无需依赖图结构的 Twitter 机器人检测框架 LMBot，它通过在预训练语言模型中蒸馏图神经网络的知识来实现检测，解决了数据依赖性和采样偏差问题，并在四个 Twitter 机器人检测基准上取得了最新成果。

Jun, 2023

提出了一种基于关系图卷积网络的 Twitter 机器人检测方法 BotRGCN，它通过构建由关注关系组成的异构图来解决社群挑战，并利用多模用户语义和属性信息来捕获具有多样化伪装的机器人，实验结果表明，BotRGCN 在基准测试 TwiBot-20 中的性能优于竞争方法。

Jun, 2021